MétaCan
Menu
Retour à la cohorte
Enregistrement W4220971284 · doi:10.5281/zenodo.5837500

D7.4 How to be FAIR with your data. A teaching and training handbook for higher education institutions

2022· preprint· en· W4220971284 sur OpenAlexaff
Claudia Engelhardt, Katarzyna Biernacka, Aoife Coffey, Ronald Cornet, Alina Danciu, Yuri Demchenko, Stephen Downes, Christopher Erdmann, Federica Garbuglia, Kerstin Germer, Kerstin Helbig, M. Hellström, Kristina Hettne, D. Brynn Hibbert, Mijke Jetten, Yulia Karimova, Viviana Letizia, Valerie McCutcheon, Barbara McGillivray, Jenny Ostrop, Britta Petersen, Ana Petrus, Stefan Reichmann, Najla Rettberg, Carmen Reverté, Nick Rochlin, Bregt Saenen, Birgit Schmidt, Jolien Scholten, Hugh Shanahan, Armin Straube, Veerle Van den Eynden, Justine Vandendorpe, Shanmugasundaram Venkataram, Cord Wiljes, Ulrike Wuttke, Joanne Yeomans, Biru Zhou

Notice bibliographique

RevueENLIGHTEN (Jurnal Bimbingan dan Konseling Islam) · 2022
Typepreprint
Langueen
DomaineComputer Science
ThématiqueResearch Data Management Practices
Établissements canadiensMcGill UniversityUniversity of British ColumbiaNational Research Council Canada
Organismes subventionnairesEuropean Commission
Mots-clésTraining (meteorology)Mathematics educationComputer scienceMedical educationSociologyPedagogyPsychologyMedicineGeography

Résumé

récupéré en direct d'OpenAlex

This handbook aims to support higher education institutions with the integration of FAIR-related content in their curricula and teaching. It was written and edited by a group of about 40 collaborators in a series of six book sprint events that took place between 1 and 10 June 2021. The document provides practical material, such as competence profiles, learning outcomes and lesson plans, and supporting information. It incorporates community feedback received during the public consultation which ran from 27 July to 12 September 2021.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,012
score de la tête « metaresearch » (Gemma)0,040
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Science ouverte
Catégories consensuellesaucune
DomaineSignal candidat: Reproductibilité · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,998
Score d'incertitude au seuil0,331

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0120,040
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,002
Études des sciences et des technologies0,0020,002
Communication savante0,0070,006
Science ouverte0,0020,004
Intégrité de la recherche0,0030,004
Charge utile insuffisante (le modèle a refusé de juger)0,0990,093

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,267
Tête enseignante GPT0,402
Écart entre enseignants0,135 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeSans objet
DomaineReproductibilité
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueENLIGHTEN (Jurnal Bimbingan dan Konseling Islam)Même sujetResearch Data Management PracticesTravaux en français237 207